AI+催化剂筛选，中国电化学研究迎来全新时代！

国产开源大模型DeepSeek强势出圈，凭借出色的算力和推理能力、低成本优势得到全球用户喜爱，国内各大企业纷纷跟进部署应用，新一轮AI狂潮席卷中国。

科技是第一生产力，“AI + ”赋能之下，人类文明进入新的发展阶段。在生物学领域，科学家用 AI 技术进行蛋白质结构设计，创造全新蛋白质。在医药领域，AI技术能将药物发现、临床前研究时间缩短近40%。在AI技术赋能下，很多行业爆发惊人能力。2024年的诺贝尔奖将AI技术推到了科学舞台的中央。

当AI与电化学催化剂筛选研究融合在一起，会产生什么样的火花？一起了解下。

1、AI缩短催化剂研究筛选时间

在绿氢技术研发中，Ru 基 OER 催化剂是一种很有前途的 Ir 替代品。然而，OER 过程中 Ru 原子的过度氧化会导致可溶性 Ru^＞4+ 物质的形成，显著缩短催化剂的寿命。若按照传统路径进行研究，经年下来，青丝早已熬成白头！

有了AI技术，时间可以大大缩短。国外有科学家应用AI技术快速分析预测2000种金红石氧化物结构的 Pourbaix 电化学稳定性（ΔGpbx），从而将催化剂候选材料研究缩小到16个。大大提升了研究进度。

在HER研究领域，AI也是大放异彩。基于高熵氧化物 (HEOs)的丰富的活性位点、可调节的比表面积、稳定的晶体结构、独特的几何相容性和电子结构等特性，有科学家提出了一种用于发现高熵尖晶石氧化物 (HESOs) 的主动学习框架，展示了其在实验数据有限情况，用AI技术识别1.4万个高熵氧化物。

2、AI催化剂筛选应用“3步走”

随着科技的发展，数据越来越庞大，综合交叉越来越多，科研需要卓越的数据拟合与处理能力，AI顺应了生产力发展的要求。

AI技术需遵循3个流程：数据收集、模型训练、模型应用。涉及到数据库建设、催化结构特征选择与提取、评价反馈与验证优化等内容。

其实，近现代科技发展规律也是“三步走”：实验数据积累、构建数学模型，推导预测原理。AI技术的“3步走”逻辑，非常符合科学发展规律。

2024年11月，中国科学技术大学李微雪教授团队通过先进的人工智能（AI）算法，揭示了金属-载体相互作用的本质。该团队收集了25种金属和27种氧化物的实验数据，然后应用一种可解释性AI算法，从材料的基本性质出发，将材料已知的物理化学参数迭代地通过数学组合，构建一个由300亿个表达式组成的候选空间，基于压缩感知原理，从300亿个表达式中得到一个能再现所有实验数据的方程。成功建立了“金属-载体相互作用”与材料性质之间的本征控制方程。这项研究工作展示了可解释性AI算法的巨大潜力。